LF-YOLO: A Lighter and Faster YOLO for Weld Defect Detection of X-Ray Image

特征(语言学) 编码(集合论) 计算机科学 卷积(计算机科学) 人工智能 特征提取 模式识别(心理学) 图像(数学) 焊接 卷积神经网络 人工神经网络 计算机视觉 工程类 机械工程 哲学 集合(抽象数据类型) 程序设计语言 语言学
作者
Moyun Liu,Youping Chen,Jingming Xie,Lei He,Yang Zhang
出处
期刊:IEEE Sensors Journal [Institute of Electrical and Electronics Engineers]
卷期号:23 (7): 7430-7439 被引量:38
标识
DOI:10.1109/jsen.2023.3247006
摘要

X-ray image plays an important role in manufacturing industry for quality assurance, because it can reflect the internal condition of weld region. However, the shape and scale of different defect types vary greatly, which makes it challenging for model to detect weld defects. In this article, we propose a weld defect detection method based on convolution neural network (CNN), namely, lighter and faster YOLO (LF-YOLO). In particular, a reinforced multiscale feature (RMF) module is designed to implement both parameter-based and parameter-free multiscale information extracting operations. RMF enables the extracted feature map to represent more plentiful information, which is achieved by a superior hierarchical fusion structure. To improve the performance of detection network, we propose an efficient feature extraction (EFE) module. EFE processes input data with extremely low consumption and improves the practicability of whole network in actual industry. Experimental results show that our weld defect detection network achieves satisfactory balance between performance and consumption and reaches 92.9 mean average precision (mAP50) with 61.5 frames/s. To further prove the ability of our method, we test it on the public dataset MS COCO, and the results show that our LF-YOLO has an outstanding versatility detection performance. The code is available at https://github.com/lmomoy/LF-YOLO .
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
天天快乐应助miaolingcool采纳,获得10
1秒前
plm发布了新的文献求助10
1秒前
wanci应助饱满傲芙采纳,获得10
2秒前
昭昭发布了新的文献求助10
2秒前
苏幕遮发布了新的文献求助10
2秒前
ding应助22222采纳,获得10
4秒前
6秒前
小琪猪完成签到,获得积分10
6秒前
7秒前
现代的诗槐应助Tami采纳,获得10
7秒前
陳十一完成签到,获得积分10
7秒前
luluyuan2010完成签到,获得积分10
8秒前
rabwang完成签到,获得积分20
8秒前
8秒前
10秒前
11秒前
路漫漫发布了新的文献求助10
11秒前
QW发布了新的文献求助10
12秒前
miaolingcool发布了新的文献求助10
12秒前
12秒前
13秒前
甜蜜访天发布了新的文献求助10
14秒前
Robin完成签到,获得积分20
15秒前
15秒前
15秒前
江岸烟雨完成签到,获得积分10
15秒前
Jasmine发布了新的文献求助10
16秒前
33关闭了33文献求助
16秒前
17秒前
阔落完成签到,获得积分10
18秒前
yeah发布了新的文献求助10
18秒前
20秒前
20秒前
眯眯眼的篮球完成签到 ,获得积分10
21秒前
洛洛洛发布了新的文献求助10
22秒前
甜蜜访天完成签到,获得积分10
22秒前
鲳鱼密码完成签到 ,获得积分10
23秒前
22222发布了新的文献求助10
24秒前
24秒前
可爱的函函应助LJJ采纳,获得10
24秒前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
Evolution 3rd edition 1500
保险藏宝图 1000
Lire en communiste 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 700
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 700
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3185823
求助须知:如何正确求助?哪些是违规求助? 2836172
关于积分的说明 8007934
捐赠科研通 2498548
什么是DOI,文献DOI怎么找? 1333641
科研通“疑难数据库(出版商)”最低求助积分说明 636907
邀请新用户注册赠送积分活动 604719